昆仑万维WAIC专场论坛：董事长兼CEO方汉宣布2026为“世界模型元年”

7月19日，正值2026世界人工智能大会（WAIC）期间，昆仑万维“世界模型与多模态范式跃迁”专场论坛在上海西岸国际会展中心隆重举行。作为深耕AI科技领域的领军企业，昆仑万维在这场论坛上宣布核心模型重磅升级——Matrix-Game 3.5世界模型、Mureka v9.5与O3音乐模型，全面覆盖世界模型、AIGC创作等前沿赛道。昆仑万维董事长兼CEO方汉在论坛上宣布：2026年为“世界模型元年” ，标志着AI从内容生成走向对物理世界的理解与交互的关键转折。

方汉：2026是“世界模型元年”，三大产业预判锚定未来方向

在论坛主旨演讲环节，昆仑万维董事长兼CEO方汉正式宣布2026年为“世界模型元年” 。他指出，过去两年AI行业的核心命题是“生成”——生成文字、图像、视频、音乐。而从2026年开始，AI的核心命题将转向“理解”与“交互”——让AI真正理解物理世界的运行规律，并能与真实环境进行闭环互动。世界模型正是实现这一跨越的关键技术底座。

方汉在演讲中系统阐述了三大产业预判：

第一，世界模型将走出屏幕，进入物理世界。 我们洞察到，具身智能正从实验室走向真实环境，这一趋势要求机器人在行动前先进行环境推演——预判动作后果、评估环境变化、及时调整应对策略。这种能力的突破，将使竞争焦点从单一任务转向陌生环境下的通用模型能力；谁能训练出在复杂场景中依然“看得懂、做得对”的模型，谁就拿到物理智能时代的入场券，这也是中国智能制造和机器人产业真正亟需的底层能力。

第二，游戏行业将率先被世界模型改变。 开放世界游戏不再依赖数百人团队数年的手工搭建，Matrix-Game 3.5 让虚拟世界随玩家行动实时生长、持续演化。未来三到五年，世界模型将成为游戏行业的基础设施，彻底刷新内容生产方式，而国产模型已在这一赛道领跑全球。

第三，AI音乐、AI视频等工具将从技术试验变成大众创作工具，促进 AIGC 的深层发展。 Mureka 作为音乐生成模型，率先去除“AI味”，让普通人也能把模糊灵感转化为有情绪、有温度的作品。这并非替代音乐人，而是大幅降低创作门槛，让更多人的表达得以释放，从而根本性改变音乐乃至整个 AIGC 产业的创作生态。

三个产业预判，背后是同一个方向：让AI从“会生成”走向"懂世界"、"能行动"。方汉表示，这不只是昆仑万维一家公司的回答，更是中国AI从研发走向产业应用的一个缩影。

AI模型全球升级，掀起全模态内容生成革命

本次论坛上，昆仑万维集中完成了核心模型的全球重磅升级。

2.1 Matrix-Game 3.5：Patch级记忆注入，重新定义交互世界模型

作为昆仑万维世界模型系列的最新迭代，Matrix-Game 3.5在本次论坛上带来了革命性的技术升级。

Skywork首席科学家成宇在论坛上正式发布了Matrix-Game 3.5世界模型。Matrix-Game 3.5聚焦可交互世界模型技术，实现了Patch级别的记忆注入与系统级性能优化，5B模型在720p分辨率下可实现单卡20FPS实时生成，具备1分钟记忆能力。

成宇指出，世界模型是具身智能的“无限数据引擎”。传统数据采集面临人工成本高昂、实机采集耗时耗力、效率极低的痛点，无法满足大模型规模化需求。Matrix-Game 3.5构建了支撑下一代世界模型的无限数据生产体系，突破传统瓶颈，打造三条自动化数据生产管线，输出Video+Pose+Action+Language的高质量训练数据，目前已积累超500万高质量视频切片、超1万有效训练小时数、覆盖1200余个游戏场景。

在技术架构上，Matrix-Game 3.5创新性地将历史帧切分为带有3D坐标的Patch Memory（通过Depth+Pose Lift到世界坐标系），推理时根据当前相机视锥检索可见Patch并重新投影到当前视角形成Mosaic，再作为Memory Token注入DiT，实现长期一致性的Patch级空间记忆。这一设计将Frame-level FOV Memory升级为Patch-level FOV Memory，带来四大核心优势：更准确的空间记忆检索与跨帧一致性、更稳定的相机运动生成、最大程度保留基座模型动态生成能力的In-context Learning、以及用户可自由编辑记忆块的可控记忆能力。

此外，Matrix-Game 3.5在推理加速层面实现了DiT推理与VAE解码的全链路优化，通过“减少模型吞吐+DiT模型优化+VAE剪枝”三重手段，达成单卡20FPS 720p实时推理的业界领先性能，让高质量世界模型真正具备实时交互能力。

Matrix-Game从1.0到3.5始终坚持开源路线。3.5版本宣布核心架构开源，吸引全球开发者共建生态。Matrix-Game 2.0是实时交互式世界模型技术范式中开源的实现方案，Matrix-Game 3.0则首次系统性地将记忆问题纳入开源解决方案。

此前，DiT作者、纽约大学助理教授谢赛宁团队基于Matrix-Game 2.0的开源底座，发布了全球多人视频世界模型Solaris，也从学术圈的实际使用上印证了这套开源方案的基础模型价值。NVIDIA和浙大联合发布的工作Light Interaction基于Matrix-Game 3.0模型进行研发。另外，NVIDIA的SANA-WM和Adobe的RELIC等国际头部大厂世界模型均将Matrix-Game相关模型作为对比基准。

2.2. Mureka v9.5与O3：最没有AI味的AI音乐模型，让音乐进入“版本化制作”时代

Mureka v9.5&O3 音乐大模型的发布，成为本次论坛最具情感冲击力的时刻之一。

从SkyMusic 1.0内测到Mureka v9.5&O3，昆仑万维的音乐模型走过了一条从“作品成立”到“创作可控”再到“多模态创作”的演进路径。而v9.5版本首次喊出 “最没有AI味的AI音乐模型” 这一口号——它不再依赖声部堆砌和复杂编配制造“厉害”的第一印象，而是在真实的音乐框架中，以更为克制的方式处理编配、人声、情绪与Prompt意图，让音乐表达更自然、更真诚。O3 建立在新版 V9.5 之上，并通过 test-time scaling 扩展 MusiCoT 的推理过程。它不是简单地“生成得更多”或“想得更久”，而是让模型在生成过程中持续审视当前表达：局部旋律是否仍服务全曲目标，编配是否遮蔽人声，情绪是否提前透支，结构是否正在偏离最初意图。额外推理空间被用于回看偏差与自我修正，使音乐 CoT 能够逐步收敛，而不是一次决定后一路向前。

从评测结果看，V9.5 沿着 MusiCoT 路线完成了更扎实的底座升级：旋律、人声、音质和编曲全面提升，指令精准度从 6.92 提升至 7.62。它不再把“更满、更复杂”当作唯一标准，而是在真实音乐框架中更克制地处理编配、人声、情绪和 Prompt 意图，让歌曲更自然、更真诚。O3 则建立在 V9.5 之上，通过持续推演、回看偏差和修正后续决策，进一步强化旋律发展、编曲结构与指令理解，使歌曲结构更完整、情绪更连贯、段落关系更合理。简单来说，V9.5 负责把歌做得更自然，O3 负责让模型在交付前多看、多想、多修一遍。

今天，一首歌经常和视频一起被消费。短视频、游戏、影视预告、品牌片和虚拟人演出，都需要声音与画面共同表达。

Mureka 这次重磅升级，也把音乐与视频 MV 接进了同一条创作链路。用户可以从一张图、一段视频或 moodboard 开始，让系统理解画面的节奏、人物、空间和情绪，再生成与之匹配的音乐；当然，也可以从一首歌开始，让 Agent 理解歌词叙事、节拍编曲和情绪起伏，继续生成角色与 MV 的视觉方案。歌词决定叙事、节拍决定剪辑、旋律决定记忆点、画面决定传播场景。Agent 要做的，是让这些信息在同一个创作目标下持续传递，而不是把几个生成工具简单拼在一起。

更为重要的是，Mureka已从单一的音乐生成工具演进为完整的“版本化制作”平台。其差异不仅来自模型效果，更来自“模型训练—推理时选优—版本化创作工具—平台分发”的系统组合。同一创意可快速生成多版本，支持在旋律、人声、结构等维度进行局部保留与替换；Studio将“操作DAW”转化为“指挥创作”，降低门槛、抬高上限。同时，Mureka推出Character功能——一段声音、一张照片即可生成专属歌手角色，并贯穿歌曲、MV全链路；AI配乐能自动分析视频画面的场景、动作与情绪，创作更贴合内容的音乐；Mureka Agent则通过自然语言一次对话调用整曲生成、单轨生成、Remix、延伸、MIDI导出、声音克隆等全部能力，全程无需切换界面。

从2022年“All in AGI与AIGC”战略确立，到2026年“世界模型元年”的正式宣告，昆仑万维完成了从全模态内容生成到可交互世界模型的关键跃迁。